MULTI-TASK LEARNING IN PHARMACOVIGILANCE

Techniques for pharmacovigilence adverse-event processing include receiving data comprising medical narrative text and generating, based on the received data, using a recurrent neural network encoder, a fixed-length context vector representation of the medical narrative text. The fixed-length context vector representation may then be queried, using a recurrent neural network decoder, to generate one or more hidden states. A first set of the one or more hidden states may be processed to generate an assessment of seriousness represented by the medical narrative text, and a second set of the one or more hidden states may be processed to generate a plurality of respective assessments of whether respective individual words of the medical narrative text correspond to one or more adverse events. Techniques de traitement d'événement indésirable de pharmacovigilance comprenant la réception de données comportant un texte narratif médical et la génération, sur la base des données reçues, à l'aide d'un codeur de réseau neuronal récurrent, d'une représentation vectorielle de contexte de longueur fixe du texte narratif médical. La représentation de vecteur de contexte de longueur fixe peut ensuite être interrogée, à l'aide d'un décodeur de réseau neuronal récurrent, pour générer un ou plusieurs états cachés. Un premier ensemble du ou des états cachés peut être traité pour générer une évaluation de la gravité représentée par le texte narratif médical, et un second ensemble du ou des états cachés peut être traité pour générer une pluralité d'évaluations respectives pour savoir si des mots individuels respectifs du texte narratif médical correspondent à un ou plusieurs événements indésirables.